梦晨 发自 凹非寺
量子位 | 公众号 QbitAI
AI 做数学题，真正的思考居然是暗中 "心算" 的？
纽约大学团队新研究发现，即使不让 AI 写步骤，全用无意义的 "......" 代替，在一些复杂任务上的表现也能大幅提升！
一作 Jacab Pfau 表示：只要花费算力生成额外 token 就能带来优势，具体选择了什么 token 无关紧要。
举例来说，让 Llama 34M 回答一个简单问题：自然常数 e 的前 6 位数字中，有几个大于 5 的？
AI 直接回答约等于瞎捣乱，只统计前 6 位数字居然统计出 7 个来。
让 AI 把验证每一数字的步骤写出来，便可以得到正确答案。
让 AI 把步骤隐藏，替换成大量的 "......"，依然能得到正确答案！
这篇论文一经发布便掀起大量讨论，被评价为 "我见过的最玄学的 AI 论文"。
那么，年轻人喜欢说更多的 "嗯......"、"like......" 等无意义口癖，难道也可以加强推理能力？
实际上，纽约大学团队的研究正是从思维链（Chain-of-Thought，CoT）出发的。
也就是那句著名提示词 "让我们一步一步地想"（Let's think step by step）。
过去人们发现，使用 CoT 推理可以显著提升大模型在各种基准测试中的表现。
目前尚不清楚的是，这种性能提升到底源于模仿人类把任务分解成更容易解决的步骤，还是额外的计算量带来的副产物。
为了验证这个问题，团队设计了两个特殊任务和对应的合成数据集：3SUM 和 2SUM-Transform。
3SUM 要求从一组给定的数字序列中找出三个数，使得这三个数的和满足特定条件，比如除以 10 余 0。
这个任务的计算复杂度是 O(n3)，而标准的 Transformer 在上一层的输入和下一层的激活之间只能产生二次依赖关系。
也就是说，当 n 足够大序列足够长时，3SUM 任务超出了 Transformer 的表达能力。
在训练数据集中，把与人类推理步骤相同长度的 "..." 填充到问题和答案之间，也就是 AI 在训练中没有见过人类是怎么拆解问题的。
在实验中，不输出填充 token"......" 的 Llama 34M 表现随着序列长度增加而下降，而输出填充 token 时一直到长度 14 还能保证 100% 准确率。
2SUM-Transform 仅需判断两个数字之和是否满足要求，这在 Transformer 的表达能力范围内。
但问题的最后增加了一步 "对输入序列的每个数字进行随机置换"，以防止模型在输入 token 上直接计算。
结果表明，使用填充 token 可以将准确率从 78.7% 提高到 93.6%。
除了最终准确率，作者还研究了填充 token 的隐藏层表示。实验表明，冻结前面层的参数，只微调最后一个 Attention 层，随着可用的填充 token 数量增多，预测的准确率递增。
这证实了填充 token 的隐藏层表示确实包含了与下游任务相关的隐性计算。
有网友怀疑，这篇论文难道在说 "思维链" 方法其实是假的吗？研究这么久的提示词工程，都白玩了。
团队表示，从理论上讲填充 token 的作用仅限于 TC0 复杂度的问题范围内。
TC0 也就是可以通过一个固定深度的电路解决的计算问题，其中电路的每一层都可以并行处理，可以通过少数几层逻辑门（如 AND、OR 和 NOT 门）快速解决，也是 Transformer 在单此前向传播中能处理的计算复杂度上限。
而足够长的思维链，能将 Transformer 的表达能力扩展到 TC0 之外。
而且让大模型学习利用填充 token 并不容易，需要提供特定的密集监督才能收敛。
也就是说，现有的大模型不太可能直接从填充 token 方法中获益。
但这并不是当前架构的内在局限性，如果在训练数据中提供足够的示范，它们应该也能从填充符号中获得类似的好处。
这项研究还引发了一个令人担心的问题：大模型有能力进行无法监控的暗中计算，对 AI 的可解释性和可控性提出了新的挑战。
换句话说，AI 可以不依赖人类经验，以人们看不见的形式自行推理。
这既刺激又可怕。
最后有网友开玩笑提议，让 Llama 3 首先生成 1 千万亿点点点，就能得到 AGI 的权重了（狗头）。
参考链接：
--- 完 ---
版权所有，未经授权不得以任何形式转载及使用，违者必究。